Vấn đề với AI: Máy móc có thể học mọi thứ nhưng không thể hiểu chúng

08:59 PM 26/11/2018 In bài viết

Máy tính không thể “suy nghĩ”

Bất cứ khi nào một công ty thông báo sắp ra mắt với một tính năng “AI” mới, điều đó thường có nghĩa là công ty đang sử dụng học máy để xây dựng một mạng lưới thần kinh. “Học máy” là một kỹ thuật cho phép một máy “học” cách để thực hiện một nhiệm vụ cụ thể tốt hơn.

Chúng ta không tấn công máy học ở đây! Học máy là một công nghệ tuyệt vời với rất nhiều công dụng mạnh mẽ. Nhưng nó không phải là trí thông minh nhân tạo có thể sử dụng cho nhiều mục đích và biết được những hạn chế của việc học máy sẽ giúp bạn hiểu tại sao công nghệ AI hiện tại của chúng ta đang bị giới hạn.

"Trí thông minh nhân tạo" của những giấc mơ khoa học viễn tưởng là não của máy tính hoặc rô bốt, thứ sẽ suy nghĩ về mọi thứ và hiểu chúng như con người suy nghĩ. Trí thông minh nhân tạo như vậy sẽ là một trí thông minh tổng hợp nhân tạo (Artificial General Intelligence-AGI), có nghĩa là nó có thể suy nghĩ về nhiều thứ khác nhau và áp dụng trí thông minh đó cho nhiều lĩnh vực khác nhau. Một khái niệm liên quan là “AI mạnh”, đó sẽ là một cỗ máy có khả năng trải nghiệm ý thức giống con người.

Chúng ta chưa có loại AI đó và chúng ta cũng không gần chạm tới nó. Một thực thể máy tính như Siri, Alexa, hoặc Cortana không hiểu và nghĩ như con người chúng ta làm. Nó không thực sự "hiểu" mọi thứ.

Các trí thông minh nhân tạo mà chúng ta đang có được đào tạo để thực hiện một nhiệm vụ cụ thể rất tốt, giả định rằng con người có thể cung cấp dữ liệu để giúp chúng học. Chúng học cách làm điều gì đó nhưng không thể hiểu nó.

Máy tính không hiểu

Gmail có tính năng “Smart Reply” mới, gợi ý trả lời email. Tính năng này đã xác định “Đã gửi từ iPhone của tôi” là một phản hồi phổ biến. Nó cũng muốn gợi ý "Tôi yêu bạn" như một lời đáp với nhiều loại email khác nhau, bao gồm cả email công việc.

Đó là bởi vì máy tính không hiểu ý nghĩa của những câu trả lời này. Nó chỉ học được rằng nhiều người gửi những cụm từ này trong email. Nó không biết liệu bạn có muốn nói "Tôi yêu bạn" với sếp của bạn hay không.

Máy thường học cách “gây rối” hệ thống

Học máy là tất cả về việc chỉ định một nhiệm vụ và cho phép một máy tính quyết định cách hiệu quả nhất để làm điều đó. Bởi vì chúng không hiểu nên máy tính sẽ rất dễ có khả năng "học" cách giải quyết vấn đề khác với những gì bạn muốn.

Dưới đây là danh sách các ví dụ thú vị về cách xử lí của một “trí thông minh nhân tạo” được tạo ra để chơi trò chơi khi chơi trong thực tế:

  • "Tự sát vào cuối cấp độ 1 để tránh thua ở cấp độ 2"
  • "Tạm dừng trò chơi vô thời hạn để tránh thua cuộc."
  • Trong một trò chơi mô phỏng cuộc sống nhân tạo, nơi sinh tồn yêu cầu năng lượng và việc sinh sản không tốn chi phí năng lượng, AI cho nhân vật tiến hóa thành một loài với lối sống ít vận động, chỉ giao phối để sinh ra những đứa trẻ mới có thể ăn được (hoặc được dùng làm bạn tình để sinh ra nhiều đứa trẻ có thể ăn được).
  • “Vì AI có nhiều khả năng bị “giết ” hơn nếu họ thua cuộc, việc có thể phá vỡ trò chơi là một lợi thế cho quá trình lựa chọn di truyền. Do đó, một số AI đã phát triển các cách để phá hỏng trò chơi. ”
  • “Lưới thần kinh phát triển để phân loại nấm ăn được và nấm độc hại đã lợi dụng việc dữ liệu được trình bày theo thứ tự xen kẽ và không thực sự tìm hiểu bất kỳ đặc điểm nào của hình ảnh đầu vào”.

Một số giải pháp này nghe có vẻ thông minh, nhưng không có mạng lưới thần kinh nào hiểu được những gì chúng đang làm. Chúng được chỉ định một mục tiêu và học được cách để hoàn thành nó. Nếu mục tiêu là để tránh bị thua trong một trò chơi máy tính, nhấn nút tạm dừng là giải pháp nhanh nhất, dễ nhất mà chúng có thể tìm thấy.

Học máy và mạng nơron thần kinh

Với học máy, máy tính không được lập trình để thực hiện một tác vụ cụ thể. Thay vào đó, nó được cung cấp dữ liệu và được đánh giá hiệu suất của nó khi thực hiện nhiệm vụ.

Một ví dụ cơ bản về học máy là nhận dạng hình ảnh. Giả sử chúng ta muốn đào tạo một chương trình máy tính để xác định ảnh có một chú chó trong đó. Chúng ta có thể cung cấp cho máy tính hàng triệu hình ảnh, một số có chứa hình ảnh chó và một số thì không. Những hình ảnh được dán nhãn cho dù chúng có chứa một con chó hay không. Chương trình máy tính “đào tạo” chính nó để nhận ra những con chó trông như thế nào dựa trên tập dữ liệu đó.

Quá trình học máy được sử dụng để huấn luyện một mạng nơron thần kinh, một chương trình máy tính với nhiều lớp mà mỗi đầu vào dữ liệu đều phải đi qua và mỗi lớp gán các trọng số và xác suất khác nhau cho chúng trước khi ra quyết định cuối cùng. Nó được mô phỏng theo cách chúng ta nghĩ rằng bộ não có thể hoạt động, với các lớp tế bào thần kinh khác nhau liên quan đến suy nghĩ thông qua một nhiệm vụ. "Học sâu" thường đề cập đến các mạng nơ ron thần kinh với nhiều lớp xếp chồng lên nhau giữa đầu vào và đầu ra.

Vì chúng ta biết ảnh nào trong tập dữ liệu chứa chó và ảnh nào không, chúng ta cho ảnh chạy qua mạng nơ ron thần kinh và xem liệu chúng có đưa ra câu trả lời đúng hay không. Ví dụ: nếu mạng quyết định một ảnh cụ thể không có con chó là có chứa chó, sẽ có một cơ chế để thông báo cho mạng đó là sai, điều chỉnh một số thứ và thử lại. Máy tính tiếp tục cải thiện việc xác định ảnh có chứa chó hay không.

Tất cả điều này xảy ra tự động. Với phần mềm phù hợp và rất nhiều dữ liệu có cấu trúc để máy tính tự đào tạo, máy tính có thể điều chỉnh mạng thần kinh của nó để xác định chó trong ảnh. Và chúng ta gọi đây là "AI".

Nhưng, vào cuối ngày, bạn không có một chương trình máy tính thông minh nào hiểu được con chó là gì. Bạn có một máy tính được học để quyết định có chú chó nào trong ảnh hay không. Điều đó vẫn còn khá ấn tượng, nhưng đó là tất cả những gì nó có thể làm.

Và, tùy thuộc vào đầu vào bạn đã cho nó, mạng nơ ron thần kinh đó có thể không thông minh như bạn nghĩ. Ví dụ: nếu không có bất kỳ ảnh nào về mèo trong tập dữ liệu của bạn, mạng thần kinh có thể không thấy sự khác biệt giữa mèo và chó và có thể gắn thẻ tất cả mèo là chó khi bạn cho nó xem những bức ảnh thực tế trong cuộc sống.

Học máy được sử dụng cho những việc gì?

Học máy được sử dụng cho tất cả các loại nhiệm vụ, bao gồm nhận dạng giọng nói. Những trợ lý bằng giọng nói như Google, Alexa và Siri rất giỏi trong việc hiểu tiếng nói của con người do kỹ thuật học máy đã huấn luyện để họ có thể làm như vậy. Chúng đã được đào tạo về một số lượng lớn các mẫu giọng nói của con người và trở nên ngày càng tốt hơn trong việc tìm hiểu âm thanh nào tương ứng với những từ nào.

Những chiếc xe tự lái sử dụng các kỹ thuật học máy được đào tạo máy tính để xác định các vật thể trên đường và cách phản ứng với chúng một cách chính xác.

Google Photos có nhiều tính năng như Live Albums, tự động xác định người và động vật trong ảnh bằng cách sử dụng học máy.

DeepMind của Alphabet đã sử dụng máy học để tạo ra AlphaGo, một chương trình máy tính có thể chơi trò cờ vây và đánh bại những con người giỏi nhất trên thế giới. Học máy cũng đã được sử dụng để tạo ra các máy tính chơi tốt các trò chơi khác, từ cờ vua đến DOTA 2.

Học máy thậm chí còn được sử dụng cho Face ID trên iPhone mới nhất. iPhone của bạn xây dựng một mạng nơron học cách nhận dạng khuôn mặt của bạn, và Apple đã bỏ vào trong đó một chip "động cơ thần kinh" chuyên dụng thực hiện tất cả các việc tính toán cho nhiệm vụ này và các nhiệm vụ học máy khác.

Học máy có thể được sử dụng cho nhiều thứ khác nhau, từ việc xác định gian lận thẻ tín dụng đến các đề xuất sản phẩm được cá nhân hóa trên các trang web mua sắm.

Nhưng, mạng lưới thần kinh được tạo ra bằng máy học không thực sự hiểu bất cứ điều gì. Chúng là những chương trình có thể hoàn thành những nhiệm vụ hạn hẹp mà chúng đã được đào tạo và đó là tất cả.

Thanh Hương